{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2959472"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2959472","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Wellbeing Recommendations using Genetic Algorithms","abstract":"Τα συστήματα προτάσεων στοχεύουν στο να προτείνουν ένα ή περισσότερα συγκεκριμένα στοιχεία στους χρήστες, λαμβάνοντας υπόψη το ιστορικό του κάθε χρήστη ή/και πληροφορίες παρόμοιου περιεχομένου. Αν και αυτό λειτουργεί καλά σε πολλές περιπτώσεις, όταν πρέπει να προτείνουμε μια δέσμη αντικειμένων, το πρόβλημα γίνεται αρκετά περίπλοκο. Τέτοιες δέσμες είναι, για παράδειγμα, ένα πρόγραμμα διατροφής ή προπόνησης για ένα δεδομένο χρονικό διάστημα. Σε τέτοιες περιπτώσεις, δεν χρειάζεται να προτείνουμε ένα γεύμα ή μία προπόνηση, αλλά, αντίθετα, πρέπει να βελτιστοποιήσουμε το αποτέλεσμα ώστε να μας προτείνει μια δέσμη στοιχείων που πιθανότατα θα προτιμούσε ο χρήστης σε ένα συγκεκριμένο χρονικό διάστημα (π.χ., ένα μήνα). Σε τέτοιες περιπτώσεις, η λήψη όλων των πιθανών συνδυασμών των στοιχείων είναι απαγορευτικά κοστοβόρα. Σε αυτή τη διπλωματική, φτιάχνουμε ένα σύστημα προτάσεων που παρέχει στους χρήστες ένα πρόγραμμα υγιεινής διατροφής που περιέχει γεύματα και ασκήσεις που καλύπτουν τις ανάγκες και τις προτιμήσεις του κάθε χρήστη. Ενώ τα περισσότερα συστήματα προτάσεων συνήθως χρησιμοποιούν collaborative filtering (π.χ., matrix factorization) ή / και content-based methods, εμείς χρησιμοποιούμε Γενετικούς Αλγορίθμους για να διερευνήσουμε αποτελεσματικά τον σύνολο των πιθανών λύσεων. Για το σκοπό αυτό, προτείνουμε επίσης ένα fitness function που μετρά πόσο κατάλληλη είναι κάθε πρόταση για έναν συγκεκριμένο χρήστη. Τέλος, πραγματοποιήσαμε διάφορα πειράματα τόσο με συνθετικά δεδομένα όσο και με πραγματικούς χρήστες με διαφορετικές προτιμήσεις, ανάγκες και στόχους, προκειμένου να κατανοήσουμε πλήρως τις ιδιότητες και την απόδοση του συστήματός μας.","abstract_html":"Τα συστήματα προτάσεων στοχεύουν στο να προτείνουν ένα ή περισσότερα συγκεκριμένα στοιχεία στους χρήστες, λαμβάνοντας υπόψη το ιστορικό του κάθε χρήστη ή/και πληροφορίες παρόμοιου περιεχομένου. Αν και αυτό λειτουργεί καλά σε πολλές περιπτώσεις, όταν πρέπει να προτείνουμε μια δέσμη αντικειμένων, το πρόβλημα γίνεται αρκετά περίπλοκο. Τέτοιες δέσμες είναι, για παράδειγμα, ένα πρόγραμμα διατροφής ή προπόνησης για ένα δεδομένο χρονικό διάστημα. Σε τέτοιες περιπτώσεις, δεν χρειάζεται να προτείνουμε ένα γεύμα ή μία προπόνηση, αλλά, αντίθετα, πρέπει να βελτιστοποιήσουμε το αποτέλεσμα ώστε να μας προτείνει μια δέσμη στοιχείων που πιθανότατα θα προτιμούσε ο χρήστης σε ένα συγκεκριμένο χρονικό διάστημα (π.χ., ένα μήνα). Σε τέτοιες περιπτώσεις, η λήψη όλων των πιθανών συνδυασμών των στοιχείων είναι απαγορευτικά κοστοβόρα. Σε αυτή τη διπλωματική, φτιάχνουμε ένα σύστημα προτάσεων που παρέχει στους χρήστες ένα πρόγραμμα υγιεινής διατροφής που περιέχει γεύματα και ασκήσεις που καλύπτουν τις ανάγκες και τις προτιμήσεις του κάθε χρήστη. Ενώ τα περισσότερα συστήματα προτάσεων συνήθως χρησιμοποιούν collaborative filtering (π.χ., matrix factorization) ή / και content-based methods, εμείς χρησιμοποιούμε Γενετικούς Αλγορίθμους για να διερευνήσουμε αποτελεσματικά τον σύνολο των πιθανών λύσεων. Για το σκοπό αυτό, προτείνουμε επίσης ένα fitness function που μετρά πόσο κατάλληλη είναι κάθε πρόταση για έναν συγκεκριμένο χρήστη. Τέλος, πραγματοποιήσαμε διάφορα πειράματα τόσο με συνθετικά δεδομένα όσο και με πραγματικούς χρήστες με διαφορετικές προτιμήσεις, ανάγκες και στόχους, προκειμένου να κατανοήσουμε πλήρως τις ιδιότητες και την απόδοση του συστήματός μας.","abstract_has_math":false,"creators":["Ντουντουλάκης Αρτέμης","Ntountoulakis Artemis"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2021,"date_issued":"2021","date_published":"2021","updated_at":"2026-11-19T05:43:36Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2959472"],"render_values":[{"text":"uoadl:2959472","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2959472","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2959472","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A2959472","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Ντουντουλάκης Αρτέμης","Ntountoulakis Artemis"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2021"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2959472","https://pergamos.lib.uoa.gr/uoa/dl/object/2959472"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Τα συστήματα προτάσεων στοχεύουν στο να προτείνουν ένα ή περισσότερα συγκεκριμένα στοιχεία στους χρήστες, λαμβάνοντας υπόψη το ιστορικό του κάθε χρήστη ή/και πληροφορίες παρόμοιου περιεχομένου. Αν και αυτό λειτουργεί καλά σε πολλές περιπτώσεις, όταν πρέπει να προτείνουμε μια δέσμη αντικειμένων, το πρόβλημα γίνεται αρκετά περίπλοκο. Τέτοιες δέσμες είναι, για παράδειγμα, ένα πρόγραμμα διατροφής ή προπόνησης για ένα δεδομένο χρονικό διάστημα. Σε τέτοιες περιπτώσεις, δεν χρειάζεται να προτείνουμε ένα γεύμα ή μία προπόνηση, αλλά, αντίθετα, πρέπει να βελτιστοποιήσουμε το αποτέλεσμα ώστε να μας προτείνει μια δέσμη στοιχείων που πιθανότατα θα προτιμούσε ο χρήστης σε ένα συγκεκριμένο χρονικό διάστημα (π.χ., ένα μήνα). Σε τέτοιες περιπτώσεις, η λήψη όλων των πιθανών συνδυασμών των στοιχείων είναι απαγορευτικά κοστοβόρα. Σε αυτή τη διπλωματική, φτιάχνουμε ένα σύστημα προτάσεων που παρέχει στους χρήστες ένα πρόγραμμα υγιεινής διατροφής που περιέχει γεύματα και ασκήσεις που καλύπτουν τις ανάγκες και τις προτιμήσεις του κάθε χρήστη. Ενώ τα περισσότερα συστήματα προτάσεων συνήθως χρησιμοποιούν collaborative filtering (π.χ., matrix factorization) ή / και content-based methods, εμείς χρησιμοποιούμε Γενετικούς Αλγορίθμους για να διερευνήσουμε αποτελεσματικά τον σύνολο των πιθανών λύσεων. Για το σκοπό αυτό, προτείνουμε επίσης ένα fitness function που μετρά πόσο κατάλληλη είναι κάθε πρόταση για έναν συγκεκριμένο χρήστη. Τέλος, πραγματοποιήσαμε διάφορα πειράματα τόσο με συνθετικά δεδομένα όσο και με πραγματικούς χρήστες με διαφορετικές προτιμήσεις, ανάγκες και στόχους, προκειμένου να κατανοήσουμε πλήρως τις ιδιότητες και την απόδοση του συστήματός μας.","Recommender systems aim at suggesting one or more specific items to the users, given a specific history of the user and/or some other relevant context. Although this works well in many cases, when we need to recommend bundles of items the problem becomes increasingly complex. Such bundles are, for example, a diet plan or a workout routine for a given time interval. In such cases, we don’t need to recommend one meal or one workout but, instead, we need to optimize for a bundle of items that the user will likely prefer over a given time interval (e.g., one month). In such cases, considering all possible combinations of items is prohibitively expensive. In this thesis, we build a recommender system that provides users with a healthy diet plan containing meals and exercises that covers both their needs and preferences. While the state-of-the-art recommender systems typically use collaborative filtering (e.g., matrix factorization) or/and content-based filtering methods, we use Genetic Algorithms to efficiently explore the space of possible recommended combinations. To this end, we also propose a fitness function that measures how suitable each suggestion is for a specific user. Finally, we performed an experimental study with both synthetic data as well as real users with different preferences, needs and goals in order to fully understand our system’s properties and performance."]},{"key":"dc:title","label":"Title","values":["Wellbeing Recommendations using Genetic Algorithms"]}]}],"canonical_facts":{"dc:creator":["Ντουντουλάκης Αρτέμης","Ntountoulakis Artemis"],"dc:date":["2021"],"dc:description":["Τα συστήματα προτάσεων στοχεύουν στο να προτείνουν ένα ή περισσότερα συγκεκριμένα στοιχεία στους χρήστες, λαμβάνοντας υπόψη το ιστορικό του κάθε χρήστη ή/και πληροφορίες παρόμοιου περιεχομένου. Αν και αυτό λειτουργεί καλά σε πολλές περιπτώσεις, όταν πρέπει να προτείνουμε μια δέσμη αντικειμένων, το πρόβλημα γίνεται αρκετά περίπλοκο. Τέτοιες δέσμες είναι, για παράδειγμα, ένα πρόγραμμα διατροφής ή προπόνησης για ένα δεδομένο χρονικό διάστημα. Σε τέτοιες περιπτώσεις, δεν χρειάζεται να προτείνουμε ένα γεύμα ή μία προπόνηση, αλλά, αντίθετα, πρέπει να βελτιστοποιήσουμε το αποτέλεσμα ώστε να μας προτείνει μια δέσμη στοιχείων που πιθανότατα θα προτιμούσε ο χρήστης σε ένα συγκεκριμένο χρονικό διάστημα (π.χ., ένα μήνα). Σε τέτοιες περιπτώσεις, η λήψη όλων των πιθανών συνδυασμών των στοιχείων είναι απαγορευτικά κοστοβόρα. Σε αυτή τη διπλωματική, φτιάχνουμε ένα σύστημα προτάσεων που παρέχει στους χρήστες ένα πρόγραμμα υγιεινής διατροφής που περιέχει γεύματα και ασκήσεις που καλύπτουν τις ανάγκες και τις προτιμήσεις του κάθε χρήστη. Ενώ τα περισσότερα συστήματα προτάσεων συνήθως χρησιμοποιούν collaborative filtering (π.χ., matrix factorization) ή / και content-based methods, εμείς χρησιμοποιούμε Γενετικούς Αλγορίθμους για να διερευνήσουμε αποτελεσματικά τον σύνολο των πιθανών λύσεων. Για το σκοπό αυτό, προτείνουμε επίσης ένα fitness function που μετρά πόσο κατάλληλη είναι κάθε πρόταση για έναν συγκεκριμένο χρήστη. Τέλος, πραγματοποιήσαμε διάφορα πειράματα τόσο με συνθετικά δεδομένα όσο και με πραγματικούς χρήστες με διαφορετικές προτιμήσεις, ανάγκες και στόχους, προκειμένου να κατανοήσουμε πλήρως τις ιδιότητες και την απόδοση του συστήματός μας.","Recommender systems aim at suggesting one or more specific items to the users, given a specific history of the user and/or some other relevant context. Although this works well in many cases, when we need to recommend bundles of items the problem becomes increasingly complex. Such bundles are, for example, a diet plan or a workout routine for a given time interval. In such cases, we don’t need to recommend one meal or one workout but, instead, we need to optimize for a bundle of items that the user will likely prefer over a given time interval (e.g., one month). In such cases, considering all possible combinations of items is prohibitively expensive. In this thesis, we build a recommender system that provides users with a healthy diet plan containing meals and exercises that covers both their needs and preferences. While the state-of-the-art recommender systems typically use collaborative filtering (e.g., matrix factorization) or/and content-based filtering methods, we use Genetic Algorithms to efficiently explore the space of possible recommended combinations. To this end, we also propose a fitness function that measures how suitable each suggestion is for a specific user. Finally, we performed an experimental study with both synthetic data as well as real users with different preferences, needs and goals in order to fully understand our system’s properties and performance."],"dc:identifier":["uoadl:2959472","https://pergamos.lib.uoa.gr/uoa/dl/object/2959472"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Wellbeing Recommendations using Genetic Algorithms"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:43:36Z"}